# OCR增強

專注於將圖像內容轉化為文本信息的模型，具有廣泛的應用價值。

這是一個7億參數的視覺Transformer模型，採用掩碼自編碼器自監督學習方法在20億網絡圖像上訓練，無需語言監督。

Aya Vision 8B是一個開放權重的80億參數多語言視覺語言模型，支持23種語言的視覺和語言任務。

一個專為多模態視覺指令跟隨任務設計的土耳其語視覺語言模型，能夠同時處理視覺（圖像）和文本輸入，理解並執行土耳其語提供的指令。

InternViT-300M是一個由OpenGVLab團隊開發的視覺Transformer模型，通過從InternViT-6B蒸餾預訓練而來，支持多種視覺任務。

Idefics3是一個開源的多模態模型，能夠處理任意序列的圖像和文本輸入並生成文本輸出。它在OCR、文檔理解和視覺推理方面有顯著提升。

Florence-2是微軟推出的先進視覺基礎模型，採用基於提示的方法處理廣泛的視覺和視覺語言任務。

InternViT-300M-448px是一個高效的視覺基礎模型，通過從InternViT-6B-448px-V1-5蒸餾知識開發而來，具備448×448的動態輸入分辨率，支持1至40個圖塊處理。

Idefics2 是一個開放的多模態模型，能夠接受任意序列的圖像和文本輸入並生成文本輸出。該模型可以回答關於圖像的問題、描述視覺內容、基於多張圖像創作故事，或僅作為純語言模型使用。

InternViT-6B-448px-V1-5是基於InternViT-6B-448px-V1-2微調的視覺基礎模型，具備強大的魯棒性、OCR能力及高分辨率處理能力。

基於微軟Table Transformer開發的表格結構識別模型，用於文檔中的表格檢測與識別任務

基於naver-clova-ix/donut-base微調的手寫識別模型

InternViT-6B-448px-V1-2是一個視覺基礎模型，特徵骨幹，具有5540萬參數，支持448x448像素的圖像處理。

基於microsoft/layoutlmv2-base-uncased微調的文檔問答模型，具體訓練數據集未知

CogAgent是基於CogVLM改進的開源視覺語言模型，專注於單輪視覺問答任務

CogAgent是基於CogVLM改進的開源視覺語言模型，具備GUI智能體、視覺多輪對話和視覺定位等能力。

基於LayoutLMv2架構的文檔視覺問答模型，針對DocVQA任務進行微調

該模型是基於microsoft/layoutlmv2-base-uncased在generator數據集上微調的版本，適用於文檔理解和佈局分析任務。

基於naver-clova-ix/donut-base微調的模型，具體用途未明確說明

基於LayoutLMv2架構的文檔視覺問答模型，專為文檔理解任務微調

基於LayoutLMv2架構的文檔視覺問答模型，專門針對文檔理解任務進行微調

基於naver-clova-ix/donut-base微調的文檔理解模型，專注於結構化文檔信息提取任務

基於naver-clova-ix/donut-base微調的文檔理解模型，適用於圖像文件夾數據集

該模型是基於microsoft/layoutlmv2-base-uncased在文檔視覺問答任務上微調的版本，專注於處理文檔圖像中的文本和佈局信息。

基於naver-clova-ix/donut-base在圖像文件夾數據集上微調的模型，適用於文檔理解任務

該模型是基於naver-clova-ix/donut-base在圖像文件夾數據集上微調的版本，適用於文檔理解任務。

基於Donut架構的文檔理解模型，專門針對工資單圖像處理進行微調

基於Donut架構的模型，專門用於從醫療手寫文檔中提取結構化數據

基於naver-clova-ix/donut-base微調的文檔理解模型，適用於圖像文本提取任務

該模型是一個基於MIT許可證的開源模型，CER（字符錯誤率）為0.0019，表明其在特定任務上具有較高的準確性。

基於LayoutLMv2架構的文檔視覺問答模型，針對文檔理解任務進行了微調

這是一個在FUNSD數據集上微調的LayoutLM模型，專門用於文檔/表單的標記分類任務。

基於LayoutLMv2架構的文檔理解模型，針對InfoVQA任務進行微調